在轨航天器诊断策略自动构建与学习调控方法研究

Condition monitoring and fault diagnosis is an important method to guarantee the safe operation of a spacecraft. However, the diagnostic strategy can hardly be changed once it is designed because the lack of efficient approach that can update the diagnostic strategy using telemetry data and accumulated knowledge, which may lead to existence of false alarms and undetectable faults in the spacecraft operation management system. Consequently, this project studies diagnostic strategy auto-construction and regulation method for in-orbit spacecraft based on machine learning and Bayesian Networks theories. Firstly, by analyzing the relationship between multi-signal flow graph model and Diagnostic Bayesian Networks (DBN), the transformation mechanism of them is elucidated, and then a DBN auto-generation method is proposed. After that, the influence law between DBN defect and diagnostic accuracy is investigated, based on which a defect recognition and evaluation method of DBN is developed. Then, a diagnostic strategy evolution model is constructed. A solution algorithm is designed, by means of which diagnostic evolution and regulation is achieved..The proposed approach that a diagnostic model is automatically constructed and then matured during the application process provided a new solving way to the false alarm problem universally existing in the fault diagnosis systems. The achievement such as DBN auto-generation method has important significance to develop Bayesian Networks and machine learning theories.

航天器状态监控和故障诊断是保证其安全运行的重要手段。当前，由于缺乏随遥测数据和运行知识积累而更新进化的指导理论和方法，其诊断策略一旦确定后很难改变，导致航天器运行管理系统普遍存在虚警率偏高、诊断精度不足的问题。为此，项目基于机器学习和贝叶斯网理论开展诊断策略自动构建和学习调控方法研究。首先，通过分析多信号模型和诊断贝叶斯网之间的映射关系，阐明多信号模型和贝叶斯网之间的转化机制，建立诊断贝叶斯网自动构建方法。然后，研究揭示诊断贝叶斯网模型缺陷对诊断精度的影响规律，构建模型缺陷识别和评价方法。在此基础上，建立学习进化模型，设计求解算法，实现诊断策略的学习调控。. 该项目提出的自动构建诊断模型并在应用中逐步学习熟化的方法为解决当前诊断系统中虚警率偏高且难以消除的普遍性问题提供了一条新的解决途径。所取得的贝叶斯网自动构建方法等成果对丰富贝叶斯网和机器学习理论具有重要意义。

针对航天器这类结构复杂、对安全性要求高的装备，状态监控和故障诊断是保证其正常安全运行的重要手段。当前，由于缺乏随测试数据和运行知识积累而更新进化诊断策略的指导理论和方法，其诊断策略一旦确定后很难改变，导致诊断系统普遍存在虚警率偏高、诊断精度不足的问题。为此，项目基于机器学习和贝叶斯网理论开展诊断策略构建和学习调控方法研究。主要包括以下内容：.研究了基于多信号模型的贝叶斯网、多模式诊断模型的构建方法。提出了多模式下的多信号模型信息到诊断模型信息的映射和转换方法，可有效降低模型的构建难度。同时，对传统的贝叶斯网诊断模型进行了扩展，可以有效表达故障演化、多模式等信息，提高了模型的适用性。.提出了可适用于动态诊断模型的基于BIC评分的诊断模型评估方法，能综合表达模型复杂度和模型精度属性，为模型的学习进化研究提供了定量评价手段。.研究了定结构情况下的诊断模型学习进化方法。对样本的表达、转化方式进行了阐述。提出了基于最大似然估计和贝叶斯估计的方法。可有效实现故障诊断模型先验知识和实际数据的有机结合，实现了诊断策略的改进和能力提升。.研究了结构和参数协同进化方法。结合诊断模型的特点，提出了基于约束、基于搜索、约束和搜索相结合的混合策略三种可行的学习方法。对三种方法的实现过程进行了详细的阐述和对比研究。结果表明基于评分-搜索的方法是最适用于项目研究的诊断模型的学习进化方法。.对项目的理论研究内容进行了充分的仿真验证。选择某航天器电源系统以及某发动机系统进行了验证，进一步证明了方法的有效性。总的看来，所提出的方法具有通用性，可以实现先验模型和诊断数据的有机结合，达到了既能利用先验知识又能利用运行知识的目的，具有较好的推广应用前景。